Deep learning for prediction of drug-target interaction space and protein functions

Sekanslama ve yüksek çıktılı tarama teknolojilerinin ilerlemesi ile biyolojik ve kimyasal veri tabanlarında büyük miktarda protein ve bileşik verisi birikmiştir. Bununla birlikte, protein ve bileşik uzaylarının büyüklüğü sebebiyle bu verilerin çok azı laboratuvar deneyleriyle anlamlandırılabilmiştir. Bu nedenle, protein ve bileşik uzayını anlamlandırılabilmek için hesaplamalı yöntemler geliştirilmektedir. Bu tezde; amacı farklı kaynaklardaki biyolojik ve kimyasal verileri birleştirmek ve ilaç keşfi için derin öğrenme tabanlı yöntemler geliştirmek olan Biyomedikal İlişkilerin Kapsamlı Kaynağı ve Biyomedikal İlişkileri (CROssBAR) projesi kapsamında, ilaç-hedef protein etkileşimi tahmini ve proteinlerin fonksiyonel anlamlandırılması için çeşitli yöntemlerin tasarlanması ve uygulanmasını tarif ediyoruz. İlk yöntem olan DEEPred, Gen Ontoloji'sinin yönlü düz ağaç hiyerarşisine dayanan ve yığılmış çok görevli derin sinir ağlarını kullanan protein fonksiyon tahmin yöntemidir. DEEPred'in performansı, literatürdeki iyi bilinen yöntemlerle karşılaştırılmıştır ve kaynak kodu https://github.com/cansyl/deepred adresinde bulunmaktadır. Geliştirilen ikinci yöntem, ilaç-protein hedefi etkileşimi (ikili) tahmin yöntemi olan DEEPScreen'dir. DEEPScreen'deki ana fikir, evrişimli sinir ağları aracılığıyla bileşik görüntülerini kullanarak özelliklerini otomatik olarak öğrenmektir. DEEPScreen, 704 hedef protein için eğitilmiş ve girdi bileşikleri, eğitilmiş hedeflere karşı aktif ya da inaktif olarak tahmin edilmiştir. DEEPScreen'in performansı, farklı kıyaslama veri kümeleri kullanılarak literatürdeki yöntemlerle karşılaştırılmıştır. Yöntemin kaynak kodu https://github.com/cansyl/DEEPScreen adresinde bulunmaktadır. Üçüncü yöntem olan MDeePred protein-bileşik bağlanma değeri tahmini yöntemidir. MDeePred, hem protein hem de bileşik özelliklerinin çift girdili melez derin sinir ağı yapısına beslendiği kemogenomik bir yöntemdir. Girdi olarak kullanılan özellikler açısından MDeePred ve DEEPScreen arasındaki temel fark, MDeePred'in bileşik hedef özellik çiftlerini kullanması, bunun yanında DEEPScreen'de sadece bileşik özelliklerinin kullanılmasıdır. MDeePred'in sunduğu ana yenilik, her bir kanalın girdi protein dizilerinin farklı bir özelliğini temsil ettiği çok kanallı özelliklendirme yaklaşımıdır. MDeePred'in performansı birden fazla kıyaslama veri kümesinde hesaplanmış ve performansı literatürde iyi bilinen yöntemlerle karşılaştırılmıştır. MDeePred'in kaynak kodu https://github.com/cansyl/MDeePred adresinde yer almaktadır. Dördüncü yöntem olan iBioProVis, kimyasal uzay için çevrimiçi ve etkileşimli bir görüntüleme aracıdır. iBioProVis'in temel amacı, bileşik özellikleri 2 boyutlu uzaya yerleştirmek ve bu bağlamda bileşikleri görselleştirmektir. Bu araç, topolojik ve kimyasal olarak benzer bileşiklerin benzer biyoaktivite profillerine sahip olduğu varsayımına dayanır. iBioProVis için girdiler, hedef protein tanımlayıcıları ve isteğe bağlı olarak kullanıcılar tarafından verilen bileşiklerinin SMILES gösterimleridir. Araç, daha sonra hedeflerin aktif bileşikleri ve kullanıcı girdi bileşikleri için dairesel parmak izlerini üretir ve bileşikleri 2 boyutta göstermek için t-Stokastik Yakınlık Gömmesi yöntemi kullanılır. Aynı zamanda, girdi hedef proteinleri ve bileşikleri için iyi bilinen veri tabanları için çapraz referanslar sağlanmaktadır. iBioProVis'e https://ibioprovis.kansil.org/ adresinden ulaşılabilir. Anahtar Kelimeler: Sanal Tarama, Derin Öğrenme, Protein Fonksiyonu Tahmini, Bağlanma Değeri Tahmini, İlaç-Hedef Protein Etkileşimi Tahmini